Perception Without Vision for Trajectory Prediction: Ego Vehicle Dynamics as Scene Representation for Efficient Active Learning in Autonomous Driving

要約

この研究では、自動運転機械学習タスクにおける効率的なデータキュレーションのための軌道と動的状態情報の使用を調査します。
モデルのパフォーマンスを維持しながらアノテーションとデータのコストを削減することを目的として、アクティブ ラーニング フレームワークで軌跡状態のクラスタリングとサンプリング戦略の方法を提案します。
私たちのアプローチでは、軌跡情報を活用してデータ選択をガイドし、トレーニング データの多様性を促進します。
nuScenes データセットを使用した軌道予測タスクにおける手法の有効性を実証し、さまざまなデータ プール サイズにわたるランダム サンプリングよりも一貫したパフォーマンスの向上を示し、データ コストのわずか 50% でベースライン未満の変位誤差にさえ到達することを示しました。
私たちの結果は、典型的なデータをサンプリングすることが最初は「コールドスタート問題」を克服するのに役立ちますが、トレーニングプールのサイズが増加するにつれて新規性を導入することがより有益になることを示唆しています。
軌道状態に基づいたアクティブラーニングを統合することで、低コストのデータキュレーション戦略を使用して、より効率的で堅牢な自動運転システムが可能かつ実用的であることを実証します。

要約(オリジナル)

This study investigates the use of trajectory and dynamic state information for efficient data curation in autonomous driving machine learning tasks. We propose methods for clustering trajectory-states and sampling strategies in an active learning framework, aiming to reduce annotation and data costs while maintaining model performance. Our approach leverages trajectory information to guide data selection, promoting diversity in the training data. We demonstrate the effectiveness of our methods on the trajectory prediction task using the nuScenes dataset, showing consistent performance gains over random sampling across different data pool sizes, and even reaching sub-baseline displacement errors at just 50% of the data cost. Our results suggest that sampling typical data initially helps overcome the ”cold start problem,” while introducing novelty becomes more beneficial as the training pool size increases. By integrating trajectory-state-informed active learning, we demonstrate that more efficient and robust autonomous driving systems are possible and practical using low-cost data curation strategies.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google